基于基因表达式编程的ISODATA模糊聚类算法

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3252-3254.

基于基因表达式编程的ISODATA模糊聚类算法

姜代红¹,²

1. 徐州工程学院信电工程学院，江苏徐州 221008
2. 中国矿业大学信息与电气工程学院，江苏徐州 221008

收稿日期:2011-06-24 修回日期:2011-08-11 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 姜代红
基金资助:
江苏省高校自然科学研究计划项目;徐州市科技计划项目;“青蓝工程”资助项目

Fuzzy ISODATA clustering algorithm based on gene expression programming

JIANG Dai-hong¹,²

1. School of Information and Electrical Engineering,China University of Mining and Technology, Xuzhou Jiangsu 221008,China
2. School of Information and Electronic Engineering,Xuzhou Institute of Technology,Xuzhou Jiangsu 221008,China

Received:2011-06-24 Revised:2011-08-11 Online:2011-12-12 Published:2011-12-01
Contact: JIANG Dai-hong

摘要/Abstract

摘要： 针对ISODATA算法需要人为给定分类数，对初始聚类中心较为敏感，没有显示出自动聚类效果等不足，结合基因表达式编程(GEP)嵌套构成迭代自组织模糊聚类进行优化计算。该方法不仅能在不需要先验知识的条件下对数据进行自动聚类，而且充分利用了GEP算法的全局寻优能力及ISODATA算法的软性分类特性，提高了算法的收敛速度和聚类精度。通过仿真验证及对比分析，运用到地理信息系统(GIS)物流选址实际问题中，得到了理想聚类效果。

关键词: 模糊ISODATA, 聚类, 基因表达式编程, 地理信息系统

Abstract: Concerning the defects of the artificial setting of the categories number, the sensitiveness to initial cluster centers and the lack of automatic clustering effects on the ISODATA algorithm, in combination with Gene Expression Programming (GEP) a nested iterative selforganizing fuzzy clustering was formed up. This paper presented a new algorithm: fuzzy ISODATA clustering algorithm based on GEP. This algorithm not only conducted automatic clustering under the condition of no prior knowledge, but also fully used the capability of global optimization of GEP algorithm and soft classification features of ISODATA, which resulted in the increase of the convergence speed and the clustering accuracy. It is verified by simulation and comparative analysis of the practical problems in GIS logistics location.

Key words: fuzzy ISODATA, clustering, Gene Expression Programming (GEP), Geographics Information System (GIS)

姜代红. 基于基因表达式编程的ISODATA模糊聚类算法[J]. 计算机应用, 2011, 31(12): 3252-3254.

JIANG Dai-hong. Fuzzy ISODATA clustering algorithm based on gene expression programming[J]. Journal of Computer Applications, 2011, 31(12): 3252-3254.

[1]	湛航, 何朗, 黄樟灿, 李华峰, 张蔷, 谈庆. 改进的基于层次距离的基因表达式编程特征选择分类算法[J]. 计算机应用, 2021, 41(9): 2658-2667.
[2]	陈恒恒, 倪志伟, 朱旭辉, 金媛媛, 陈千. 基于聚类分析的差分隐私高维数据发布方法[J]. 计算机应用, 2021, 41(9): 2578-2585.
[3]	祝承, 赵晓琦, 赵丽萍, 焦玉宏, 朱亚飞, 陈建英, 周伟, 谭颖. 基于谱聚类半监督特征选择的功能磁共振成像数据分类[J]. 计算机应用, 2021, 41(8): 2288-2293.
[4]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.
[5]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[6]	马建红, 曹文斌, 刘元刚, 夏爽. 基于功效特征的专利聚类方法[J]. 计算机应用, 2021, 41(5): 1361-1366.
[7]	李国荣, 冶继民, 甄远婷. 基于新的鲁棒相似性度量的时间序列聚类[J]. 计算机应用, 2021, 41(5): 1343-1347.
[8]	王治和, 常筱卿, 杜辉. 基于万有引力的自适应近邻传播聚类算法[J]. 计算机应用, 2021, 41(5): 1337-1342.
[9]	龙超奇, 蒋瑜, 谢雨. 基于峰值网格改进的小波聚类算法[J]. 计算机应用, 2021, 41(4): 1122-1127.
[10]	李杏峰, 黄玉清, 任珍文, 李毅红. 基于自适应邻域的鲁棒多视图聚类算法[J]. 计算机应用, 2021, 41(4): 1093-1099.
[11]	邹志文, 秦程. 基于k-means++的动态构建空间主题R树方法[J]. 计算机应用, 2021, 41(3): 733-737.
[12]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.
[13]	吕佳, 鲜焱. 结合改进密度峰值聚类和共享子空间的协同训练算法[J]. 计算机应用, 2021, 41(3): 686-693.
[14]	张恩, 李会敏, 常键. 可验证的隐私保护k-means聚类方案[J]. 计算机应用, 2021, 41(2): 413-421.
[15]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.